إطار تعلّم معزَّز متعدد النماذج ومتعدد الوكلاء للتنبؤ بتدفق المرور الحضري وتحسين توقيت الإشارات

لماذا تهم إشارات المرور الأكثر ذكاءً

أي شخص جلس أمام سلسلة من الأضواء الحمراء أو زحف في شارع مركون بالازدحام يشعر بمدى عدم كفاءة حركة المرور في المدينة. وبخلاف الإحباط، تستهلك السيارات المتوقفة الوقود وتطلق غازات الاحتباس الحراري والملوثات في الهواء. تقدم هذه الورقة نهجًا جديدًا لإدارة حركة المرور الحضرية يعامل الإشارات كشبكة متناسقة تتعلّم بدلاً من مؤقتات ثابتة، بهدف تحريك الناس بسرعة أكبر مع تقليل الازدحام والانبعاثات.

مدينة تحس وتفهم حركة المرور لديها

يقترح الباحثون نظامًا يُسمى MM-STMAP يمنح المدينة نوعًا من الجهاز العصبي الرقمي. بدلاً من الاعتماد فقط على عدّ المركبات البسيط، يستقطب النظام أنواعًا متعددة من البيانات في وقت واحد: تدفق المرور، السرعات، ظروف الطقس مثل المطر أو الضباب، والأيام الخاصة مثل العطل. تُنقح هذه الإشارات المتنوعة وتُدمج وتتحول إلى وصف موحَّد لما يحدث على الطرق. من خلال التعرّف، على سبيل المثال، على أن ساعة الذروة في يوم عطلة ممطر تتصرف بشكل مختلف عن يوم عمل عادي، يمكن للنظام أن يتوقّع بشكل أفضل كيف سيتطور المرور خلال الدقائق المقبلة.

رصد الأنماط في المكان والزمان

نادرًا ما تتركز مشاكل المرور عند تقاطع واحد فقط؛ بل تنتشر عبر شبكة كاملة من الطرق. يلتقط MM-STMAP ذلك من خلال تمثيل طرق ودوارات المدينة كشبكة من النقاط المترابطة، ثم يتعلّم كيف تنتقل الظروف عبر تلك الشبكة مع مرور الزمن. يستخدم حسابات متعددة الطبقات تنظر أولًا في كيفية تأثير الشوارع المجاورة على بعضها البعض ثم في كيفية تغير تلك التأثيرات من خطوة زمنية إلى أخرى. تسمح آلية «الانتباه» المصممة خصيصًا للنموذج بتركيز قدرته الحسابية على فترات التاريخ الأكثر صلة — مثل ساعة الذروة بالأمس في نفس التوقيت — دون أن تتعثر عند ازدياد حجم البيانات. وهذا يجعل من العملي معالجة تدفقات حسّاسات طويلة الأمد لشبكات حضرية كبيرة.

إشارات مرور تتعلّم معًا

فوق محرك التنبؤ هذا، يبني المؤلفون نظام تحكم قائمًا على التعلّم لإشارات المرور. يُعامل كل تقاطع كوكيل ذكي يمكنه اختيار مدة الإشارات الخضراء أو الحمراء في اتجاهات مختلفة. لا تعمل هذه الوكلاء بمعزل: فهي تتشارك معلومات حول وضع المرور الأوسع وتُدرّب معًا بحيث تدعم قرارات كل منها تدفُّقًا سلسًا عبر الشبكة بأكملها. تكافئ عملية التعلّم الأنماط التي تزيد عدد المركبات المارة، وتقلّل متوسط أوقات الانتظار، وتقلّل سلوك التوقف والانطلاق الذي يهدر الوقود، بينما تُعاقب التكوينات التي تُنشئ طوابير وتأخيرات طويلة.

اختبار النظام

لمعرفة ما إذا كان MM-STMAP يقدم فوائد فعلية، اختبر الفريق النظام على مجموعات بيانات كبيرة من العالم الحقيقي من منطقة لوس أنجلوس. تشمل هذه البيانات عشرات الآلاف من العينات من حسّاسات الطرق السريعة والمدينة، إلى جانب مشكلات واقعية مثل القراءات المفقودة، والقياسات المشوشة، وأنماط المرور غير المنتظمة. مقارنة بعدّة نماذج تنبؤ متقدمة ومع مخططات التحكم بالإشارات التقليدية — المواعيد الثابتة والأضواء المتفاعلة محليًا — أنتج النهج الجديد تنبؤات قصيرة المدى أدق وتوقيت إشارات أكثر كفاءة. قلّل من مقاييس الخطأ الشائعة للتنبؤ بحوالي ثلث مقارنةً بأفضل الأنظمة الثابتة والمتفاعلة الحالية، وفي المحاكاة خفّض متوسط التأخيرات وعدد التوقفات بينما زاد عدد المركبات المارة عبر الشبكة في الساعة.

ماذا يعني هذا للسائقين في حياتهم اليومية

بعبارات بسيطة، يصف MM-STMAP مستقبلًا تتعاون فيه إشارات المرور وتتعلّم باستمرار من التجربة، بدلاً من اتباع دورات مبرمجة بعصبية. من خلال توقّع أماكن تشكّل الاختناقات وضبط توقيت الإشارات عبر تقاطعات متعددة، يمكن للنظام تقصير أوقات السفر، وتنعيم حركة التوقف والانطلاق، وتقليل التوقّف غير الضروري. وعلى الرغم من أن النهج لا يزال يواجه تحديات — مثل الحاجة إلى بيانات موثوقة وقدرة حاسوبية كبيرة على مستوى المدينة — إلا أنه يشير إلى تنقّل حضري أكثر ذكاءً ونظافة حيث تصبح رحلاتنا اليومية أسرع وألطف على البيئة.

الاستشهاد: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

الكلمات المفتاحية: حركة المرور الحضرية, تنبؤ المرور, التعلّم المعزّز, إشارات ذكية, النقل الذكي